JPWO2020095343A1

JPWO2020095343A1 - Ｘ線撮像装置

Info

Publication number: JPWO2020095343A1
Application number: JP2020556372A
Authority: JP
Inventors: 知宏中矢
Original assignee: Shimadzu Corp
Current assignee: Shimadzu Corp
Priority date: 2018-11-05
Filing date: 2018-11-05
Publication date: 2021-09-24
Anticipated expiration: 2038-11-05
Also published as: JP7188450B2; CN112996440B; KR20210068490A; CN112996440A; WO2020095343A1

Abstract

Ｘ線撮像装置（１００）において、制御部（４）は、機械学習に基づいて抽出された被写体（Ｔ）の骨領域（Ａ）が適切でないと判定した場合、所定のルールに基づいて被写体（Ｔ）の骨領域（Ａ）が抽出された画像（Ｉｒ）を表示させる制御を行うように構成されている。

Description

この発明は、Ｘ線撮像装置に関し、特に、被写体が撮像された画像から機械学習に基づいて、被写体の骨領域を抽出する画像処理部を備えるＸ線撮像装置に関する。

従来、被写体が撮像された画像から機械学習に基づいて、脊柱配列（脊柱形状）を推定する脊柱配列推定装置が知られている。このような脊柱配列推定装置は、たとえば、国際公開第２０１７／１４１９５８号に開示されている。

国際公開第２０１７／１４１９５８号に記載の脊柱配列推定装置では、まず、同一人物について撮像された、人体の背部の立体形状を表すモアレ縞を含むモアレ画像と、人体の背部の骨領域が撮像されたＸ線画像とのデータセットが多数準備される。次に、機械学習に用いられるデータセット（正解データ）のラベル付けが行われる。たとえば、Ｘ線画像に写り込む胸椎および腰椎の重心が曲線により近似される。その後、モアレ画像とＸ線画像とを位置合わせして、モアレ画像の座標とＸ線画像の座標とが位置合わせされる。そして、モアレ画像上の胸椎および腰椎の重心の座標が学習用の正解データとされる。そして、入力されたモアレ画像に基づいて、脊柱要素の配列情報（胸椎および腰椎の重心の座標）が出力されるように学習が行われる。なお、学習として、たとえば、深層学習が用いられる。

そして、国際公開第２０１７／１４１９５８号に記載の脊柱配列推定装置では、学習された結果（識別器）に基づいて、撮像装置により撮像された未知（脊柱要素の配列情報が未知）のモアレ画像から脊柱要素の配列情報が推定される。また、推定された脊柱要素の配列情報が、モアレ画像上に重畳された状態で表示部に表示される。

また、国際公開第２０１７／１４１９５８号には記載されていないが、従来、腰椎や大腿骨などの骨密度測定では、２種類の互いに異なるエネルギのＸ線を被写体に照射することにより撮像された画像において、骨成分と他の組織とを区別して骨密度の測定が行われている。この場合、撮像された画像において腰椎や大腿骨などの骨密度の測定を行う領域を正確に抽出（指定）する必要がある。従来では、ユーザの負担を軽減するために、骨領域の抽出を、機械学習を用いて行うこと（自動セグメンテーション）が行われている。また、自動セグメンテーションの精度向上のために、機械学習として、国際公開第２０１７／１４１９５８号のように、深層学習が用いられている。深層学習では、腰椎や大腿骨などの骨密度の測定が行われる部位が撮像された画像（正解データ）が学習されるとともに学習された結果（識別器）に基づいて、未知の画像から骨領域が抽出される。また、抽出された骨領域が実際の骨領域とずれていた場合には、ユーザによって骨領域が修正される。

国際公開第２０１７／１４１９５８号

ここで、深層学習などの機械学習を用いた骨領域の自動セグメンテーションの精度は比較的高い一方、機械学習に用いられた画像（正解データ）とは乖離した未知の画像が入力された場合、自動セグメンテーション（骨領域の抽出）が大きく失敗するという不都合がある。この場合、機械学習に基づいて抽出された骨領域に対してユーザが比較的大きな修正を施す必要があるため、ユーザの負担が増加するという問題点がある。

この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、機械学習に用いられた画像（正解データ）とは乖離した未知の画像が入力された場合でも、抽出された骨領域の修正に対するユーザの負担が大きくなるのを抑制することが可能なＸ線撮像装置を提供することである。

上記目的を達成するために、この発明の一の局面におけるＸ線撮像装置は、被写体にＸ線を照射するＸ線照射部と、Ｘ線照射部から被写体に照射されたＸ線を検出するＸ線検出部と、Ｘ線検出部により検出されたＸ線に基づいて取得された取得画像において、機械学習に基づいて、被写体の骨領域を抽出するとともに、所定の場合に、取得画像において、所定のルールに基づいて、被写体の骨領域を抽出する画像処理部と、画像処理部に処理された画像を表示する表示部と、機械学習に基づいて抽出された被写体の骨領域が適切か否かを判定する制御部とを備え、制御部は、機械学習に基づいて抽出された被写体の骨領域が適切であると判定した場合、機械学習に基づいて被写体の骨領域が抽出された画像を表示部に表示させ、機械学習に基づいて抽出された被写体の骨領域が適切でないと判定した場合、所定のルールに基づいて被写体の骨領域が抽出された画像を表示させる制御を行うように構成されている。

この発明の一の局面におけるＸ線撮像装置では、上記のように、制御部は、機械学習に基づいて抽出された被写体の骨領域が適切であると判定した場合、機械学習に基づいて被写体の骨領域が抽出された画像を表示部に表示させ、機械学習に基づいて抽出された被写体の骨領域が適切でないと判定した場合、所定のルールに基づいて被写体の骨領域が抽出された画像を表示させる制御を行うように構成されている。これにより、たとえば、機械学習に用いられた画像（正解データ）とは乖離した未知の画像が入力された場合などにおいて、機械学習に基づいて抽出された被写体の骨領域が適切でない場合でも、所定のルールに基づいて被写体の骨領域が抽出された画像が表示される。なお、一般的には、所定のルールに基づいた骨領域の抽出の精度は、機械学習に基づいた骨領域の抽出の精度よりも低い一方、比較的簡単なルールに基づいて骨領域の抽出が行われるので、機械学習では適切に骨領域の抽出が行えない画像でもある程度の精度でもって骨領域の抽出を行うことができる。これにより、適切に抽出されていない機械学習に基づいた骨領域を修正する場合に比べて、所定のルールに基づいて抽出された骨領域を修正する方が、修正量が少ない。その結果、機械学習に用いられた画像（正解データ）とは乖離した未知の画像が入力された場合でも、抽出された骨領域の修正に対するユーザの負担が大きくなるのを抑制することができる。

上記一の局面によるＸ線撮像装置において、好ましくは、制御部は、取得画像において、抽出された被写体の骨領域の面積と、抽出された被写体の骨領域の重心とのうちの少なくとも一方に基づいて、機械学習に基づいて抽出された被写体の骨領域が適切か否かを判定するように構成されている。このように構成すれば、機械学習によって抽出された被写体の骨領域の面積と重心とのうちの少なくとも一方と、典型的な被写体の骨領域の面積と重心とのうちの少なくとも一方とを比較すれば、容易に、機械学習に基づいて抽出された被写体の骨領域が適切か否かを判定することができる。

上記一の局面によるＸ線撮像装置において、好ましくは、制御部は、取得画像に、機械学習に基づいた被写体の骨領域の抽出が適切に行えなくなる所定の抽出不適切画像が含まれている場合、機械学習に基づいた被写体の骨領域の抽出は行わずに、所定のルールに基づいて被写体の骨領域の抽出を行うように制御するように構成されている。このように構成すれば、被写体の骨領域の抽出が適切に行えなくなることが既知である場合に、機械学習に基づいた被写体の骨領域の抽出は行われないので、画像処理部の負担を軽減することができる。

上記一の局面によるＸ線撮像装置において、好ましくは、表示部に表示される、機械学習に基づいて被写体の骨領域が抽出された画像と、所定のルールに基づいて被写体の骨領域が抽出された画像とを切り替える切替操作部をさらに備える。このように構成すれば、機械学習に基づいて被写体の骨領域が抽出された画像と、所定のルールに基づいて被写体の骨領域が抽出された画像とを切り替えて比較することができる。

この場合、好ましくは、切替操作部は、表示部に表示される表示画像上のボタンを含む。このように構成すれば、ユーザがボタンを操作するだけで、容易に、機械学習に基づいて被写体の骨領域が抽出された画像と、所定のルールに基づいて被写体の骨領域が抽出された画像とを切り替えることができる。

上記一の局面によるＸ線撮像装置において、好ましくは、被写体の骨領域は、大腿骨の骨領域を含む。このように構成すれば、大腿骨の骨密度測定において、機械学習に用いられた画像（正解データ）とは乖離した未知の画像が入力された場合でも、抽出された骨領域の修正に対するユーザの負担が大きくなるのを抑制することができる。

上記一の局面によるＸ線撮像装置において、好ましくは、機械学習は、深層学習を含む。このように構成すれば、深層学習の骨領域の抽出精度は比較的高いので、ほとんどの被写体において適切に骨領域を抽出することができる一方、深層学習でも適切に骨領域の抽出ができない未知の画像に対して、バックアップとして、所定のルールに基づいて被写体の骨領域が抽出された画像を表示することができる。

上記一の局面によるＸ線撮像装置において、好ましくは、所定のルールは、取得画像における画素値に基づいて被写体の骨領域を抽出すること、および、隣り合う画素の画素値の勾配に基づいて被写体の骨領域を抽出することのうちの少なくとも一方を含む。このように構成すれば、画素値に基づいて、容易に、被写体の骨領域を抽出することができる。

本発明によれば、上記のように、機械学習に用いられた画像（正解データ）とは乖離した未知の画像が入力された場合でも、抽出された骨領域の修正に対するユーザの負担が大きくなるのを抑制することができる。

一実施形態によるＸ線撮像装置の構成を示した図である。深層学習（Ｕ−ｎｅｔ）を説明するための図である。深層学習による骨領域の抽出を説明するための図である。所定のルールに基づいて抽出された骨領域を示す図である。機械学習に基づいた骨領域の抽出が適切に行えなくなる所定の画像（パターン）が含まれる画像を示す図である。表示部に表示された表示画像を示す図である。ユーザによって補正された骨領域を示す図である。一実施形態によるＸ線撮像装置の動作を示すフロー図である。

以下、本発明を具体化した実施形態を図面に基づいて説明する。

図１〜図７を参照して、本実施形態によるＸ線撮像装置１００の構成について説明する。

（Ｘ線撮像装置の構成）
図１に示すように、Ｘ線撮像装置１００は、Ｘ線照射部１と、Ｘ線検出部２と、画像処理部３と、制御部４とを備えている。また、Ｘ線撮像装置１００は、画像処理部３に処理された画像を表示する表示部５を備えている。

Ｘ線照射部１は、被写体ＴにＸ線を照射する。Ｘ線検出部２は、Ｘ線照射部１から被写体Ｔに照射されたＸ線を検出する。Ｘ線撮像装置１００は、たとえば、被写体Ｔの骨密度の測定に用いられる。骨密度の測定においては、たとえば、Ｘ線照射部１から２種類のエネルギのＸ線を被写体Ｔの測定部位に照射することにより、骨成分と他の組織とを区別するＤＥＸＡ（Ｄｕａｌ−ＥｎｅｒｇｙＸ−ｒａｙＡｂｓｏｒｐｔｉｏｍｅｔｒｙ）法が用いられる。

Ｘ線照射部１は、Ｘ線源１ａを含んでいる。Ｘ線源１ａは、図示しない高電圧発生部に接続されており、高電圧が印加されることによりＸ線を発生させるＸ線管である。Ｘ線源１ａは、Ｘ線出射方向をＸ線検出部２の検出面に向けて配置されている。

Ｘ線検出部２は、Ｘ線照射部１から照射され、被写体Ｔを透過したＸ線を検出し、検出したＸ線強度に応じた検出信号を出力する。なお、Ｘ線検出部２は、たとえば、ＦＰＤ（ＦｌａｔＰａｎｅｌＤｅｔｅｃｔｏｒ）により構成されている。

画像処理部３は、画像取得部３１と、機械学習ベース領域抽出部３２と、ルールベース領域抽出部３３と、骨密度測定部３４と、を含む。なお、画像取得部３１、機械学習ベース領域抽出部３２、ルールベース領域抽出部３３、および、骨密度測定部３４の各々は、画像処理部３の中のソフトウェアとしての機能ブロックである。すなわち、画像取得部３１、機械学習ベース領域抽出部３２、ルールベース領域抽出部３３、および、骨密度測定部３４の各々は、制御部４の指令信号に基づき機能するように構成されている。

画像取得部３１は、Ｘ線検出部２により検出されたＸ線に基づいて被写体Ｔの画像Ｉ（図３参照）を取得する。具体的には、画像取得部３１は、Ｘ線検出部２から出力される所定の解像度のＸ線検出信号に基づいて画像Ｉ（Ｘ線画像）を取得する。なお、画像Ｉは、特許請求の範囲の「取得画像」の一例である。

機械学習ベース領域抽出部３２は、Ｘ線検出部２により検出されたＸ線に基づいて取得された画像Ｉにおいて、機械学習に基づいて、被写体Ｔの骨領域Ａ（図３参照）を抽出するように構成されている。具体的には、本実施形態では、機械学習として、深層学習が用いられる。また、骨領域Ａは、大腿骨の骨領域Ａを含む。

深層学習によるセマンティック・セグメンテーションでは、従来の画像セグメンテーションと異なり、ディープニューラルネットワークを代表とする深層学習技術を用いて、ピクセルレベルで画像を理解し、画像の各ピクセルにオブジェクトのクラスが割り当てられる。たとえば、図２に示すように、深層学習として、Ｕ−ｎｅｔに基づいた深層学習が用いられる。Ｕ−ｎｅｔでは、Ｕ字型の畳み込みネットワークを用いて、画像中に「何が、どこに、どのように」写っているのかという領域抽出が行われる。Ｕ−ｎｅｔの左側に配置されたｅｎｃｏｄｅｒの各畳み込み層（Ｃｏｎｖ）の出力が、右側のｄｅｃｏｄｅｒの各畳み込み層（Ｄｅｃｏｎｖ）に直接に結合され、データをチャネル方向に連結（ｃｏｎｃａｔ）するように構成されている。これにより、より低次元の特徴量がスキップされ、従来通りの特徴を抽出しながら位置情報を保持することが可能になる。その結果、出力画像の劣化を抑制することができる。

また、多重解像度で骨領域Ａを判定するため、入力画像を最初の畳み込み層に入力する前に、多重解像度の局所コントラスト正規化（ＬＣＮ：ＬｏｃａｌＣｏｎｔｒａｓｔＮｏｒｍａｌｉｚａｔｉｏｎ）が行われる。その後、順次、畳み込み層に入力される。また、活性化関数として、出力層以外の全ての層に、最も一般的なＲｅＬｕ関数が用いられる。また、学習の収束を高速化および安定化するために、各畳み込み層の活性化関数の後においてバッチ正規化が行われる。また、損失関数として、交差エントロピー誤差が用いられる。

図１に示すように、ルールベース領域抽出部３３は、Ｘ線検出部２により検出されたＸ線に基づいて取得された画像Ｉ（図３参照）において、所定のルールに基づいて、被写体Ｔの骨領域Ａを抽出（図４参照）する。たとえば、ルールベース領域抽出部３３は、画像Ｉにおける画素値や、隣り合う画素の画素値の勾配がしきい値以上か否かに基づいて、被写体Ｔの骨領域Ａを抽出する。つまり、画像Ｉにおいて、被写体Ｔの骨領域Ａの境界が所定のルールに基づいて求められる。

制御部４は、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切か否かを判定するように構成されている。ここで、本実施形態では、制御部４は、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切であると判定した場合、機械学習に基づいて被写体Ｔの骨領域Ａが抽出された画像（画像Ｉｍ、図３参照）を表示部５に表示させる制御を行う。一方、制御部４は、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切でないと判定した場合、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出された画像（画像Ｉｒ、図４参照）を表示させる制御を行う。なお、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切でない場合とは、たとえば、機械学習に用いられた画像Ｉ（正解データ）が撮像された際の被写体Ｔの姿勢と、未知の画像Ｉ（推定用の画像Ｉ）が撮像された際の被写体Ｔの姿勢とが大きく異なっていた場合などである。

また、本実施形態では、図３に示すように、制御部４は、画像Ｉにおいて、抽出された被写体Ｔの骨領域Ａの面積Ｓと、抽出された被写体Ｔの骨領域Ａの重心Ｇとのうちの少なくとも一方に基づいて、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切か否かを判定するように構成されている。具体的には、抽出された被写体Ｔの骨領域Ａの面積Ｓが、典型的な骨領域Ａの面積Ｓと比較される。そして、抽出された被写体Ｔの骨領域Ａの面積Ｓと、典型的な骨領域Ａの面積Ｓとの差が所定の面積しきい値よりも大きければ、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切でないと判定される。また、抽出された被写体Ｔの骨領域Ａの重心Ｇが、典型的な骨領域Ａの重心Ｇと比較される。そして、抽出された被写体Ｔの骨領域Ａの重心Ｇの座標と、典型的な骨領域Ａの重心Ｇの座標との差が所定の重心しきい値よりも大きければ、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切でないと判定される。なお、面積Ｓまたは重心Ｇの一方のみに基づいて骨領域Ａが適切か否かを判定してもよいし、面積Ｓおよび重心Ｇの両方に基づいて骨領域Ａが適切か否かを判定してもよい。

また、本実施形態では、図５に示すように、制御部４は、画像Ｉに、機械学習に基づいた被写体Ｔの骨領域Ａの抽出が適切に行えなくなる所定の画像Ｐが含まれている場合、機械学習に基づいた被写体Ｔの骨領域Ａの抽出は行わずに、所定のルールに基づいて被写体Ｔの骨領域Ａの抽出を行うように制御する。たとえば、画像Ｉに金属（ボルト）などの画像Ｐが含まれている場合、機械学習に基づいた被写体Ｔの骨領域Ａの抽出が不適切になることが予め既知であるとする。この場合、機械学習に基づいた被写体Ｔの骨領域Ａの抽出は行わずに、所定のルールに基づいて被写体Ｔの骨領域Ａの抽出を行う。なお、所定のルールに基づいた抽出では、比較的簡単なルールに基づいて骨領域Ａの抽出が行われるので、機械学習では適切に骨領域Ａの抽出が行えない画像でもある程度の精度でもって骨領域Ａの抽出を行うことが可能である。なお、画像Ｐは、特許請求の範囲の「抽出不適切画像」の一例である。

また、本実施形態では、図６に示すように、表示部５に表示される、機械学習に基づいて被写体Ｔの骨領域Ａが抽出された画像（画像Ｉｍ）と、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出された画像（画像Ｉｒ）とを切り替える、表示部５に表示される表示画像５ａ上のボタン５ｂが設けられている。ボタン５ｂは、たとえば、プルダウンメニューにより構成されている。ユーザがマウスによってボタン５ｂをクリックすることにより、プルダウンメニューに含まれる機械学習に基づいた画像Ｉｍと、所定のルールに基づいた画像Ｉｒとを選択する（切り替える）ことが可能である。また、プルダウンメニューには、前回の骨密度測定時に用いられた画像も含まれる。なお、ボタン５ｂは、特許請求の範囲の「切替操作部」の一例である。

また、図７に示すように、表示部５に表示された画像Ｉｒ（または画像Ｉｍ）において、骨領域Ａの修正が必要な場合には、ユーザによって骨領域Ａの修正が行われる。骨領域Ａの修正は、たとえば、ユーザがマウスを操作することによって、骨領域Ａを塗りつぶすように（または消すように）、骨領域Ａの修正が行われる。なお、図７の点線で示される領域は、図４に示される所定のルールに基づいて抽出された被写体Ｔの骨領域Ａを示している。

また、図１に示すように、骨密度測定部３４は、抽出された被写体Ｔの骨領域Ａ（骨領域Ａが修正された場合は、修正後の骨領域Ａ）において、骨密度を測定する。なお、図６の点線で示される領域において、骨密度の測定が行われる。

（Ｘ線撮像装置の動作）
次に、図８を参照して、本実施形態のＸ線撮像装置１００の動作について説明する。なお、画像処理部３において機械学習による学習は既に行われているとする。

まず、ステップＳ１において、画像処理部３に未知のＸ線画像からなる画像Ｉ（画像データ）が入力される。

次に、ステップＳ２において、未知の画像Ｉに、機械学習に基づいた被写体Ｔの骨領域Ａの抽出が適切に行えなくなる所定の画像Ｐ（図５参照）が含まれているか否かが判定される。なお、この判定は、たとえば、一般的な画像認識技術を用いて制御部４によって行われる。ステップＳ２において、画像Ｐが含まれていないと判定された場合、ステップＳ３に進む。一方、ステップＳ２において、画像Ｐが含まれていると判定された場合、ステップＳ６に進む。

次に、ステップＳ３において、Ｘ線検出部２により検出されたＸ線に基づいて取得された画像Ｉにおいて、機械学習に基づいて被写体Ｔの骨領域Ａが抽出される。具体的には、予め機械学習による学習によって生成された識別器（モデル、図３参照）に画像Ｉが入力されるとともに、識別器によって、被写体Ｔの骨領域Ａが抽出される。

次に、ステップＳ４において、制御部４により、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが、適切か否かが判定される。ステップＳ４において、抽出された被写体Ｔの骨領域Ａが適切であると判定された場合、ステップＳ５に進んで、機械学習に基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｍが表示部５に表示される。なお、必要であれば、ユーザによって表示部５に表示された骨領域Ａが修正される。

ステップＳ４において、抽出された被写体Ｔの骨領域Ａが適切でないと判定された場合、ステップＳ６に進む。ステップＳ６では、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出される。そして、ステップＳ５に進んで、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｒが表示部５に表示される。

そして、ステップＳ７において、骨密度測定部３４によって骨密度が測定される。

（本実施形態の効果）
本実施形態では、以下のような効果を得ることができる。

本実施形態では、上記のように、制御部４は、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切であると判定した場合、機械学習に基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｍを表示部５に表示させ、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切でないと判定した場合、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｒを表示させる制御を行うように構成されている。これにより、たとえば、機械学習に用いられた画像Ｉ（正解データ）とは乖離した未知の画像Ｉが入力された場合などにおいて、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切でない場合でも、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｒが表示される。なお、一般的には、所定のルールに基づいた骨領域Ａの抽出の精度は、機械学習に基づいた骨領域Ａの抽出の精度よりも低い一方、比較的簡単なルールに基づいて骨領域Ａの抽出が行われるので、機械学習では適切に骨領域Ａの抽出が行えない画像Ｉでもある程度の精度でもって骨領域Ａの抽出を行うことができる。これにより、適切に抽出されていない機械学習に基づいた骨領域Ａを修正する場合に比べて、所定のルールに基づいて抽出された骨領域Ａを修正する方が、修正量が少ない。その結果、機械学習に用いられた画像Ｉ（正解データ）とは乖離した未知の画像Ｉが入力された場合でも、抽出された骨領域Ａの修正に対するユーザの負担が大きくなるのを抑制することができる。

また、本実施形態では、上記のように、制御部４は、画像Ｉｍにおいて、抽出された被写体Ｔの骨領域Ａの面積Ｓと、抽出された被写体Ｔの骨領域Ａの重心Ｇとのうちの少なくとも一方に基づいて、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切か否かを判定する。これにより、機械学習によって抽出された被写体Ｔの骨領域Ａの面積Ｓと重心Ｇとのうちの少なくとも一方と、典型的な被写体Ｔの骨領域Ａの面積Ｓと重心Ｇとのうちの少なくとも一方とを比較すれば、容易に、機械学習に基づいて抽出された被写体Ｔの骨領域Ａが適切か否かを判定することができる。

また、本実施形態では、上記のように、制御部４は、画像Ｉに、機械学習に基づいた被写体Ｔの骨領域Ａの抽出が適切に行えなくなる所定の画像Ｐが含まれている場合、機械学習に基づいた被写体Ｔの骨領域Ａの抽出は行わずに、所定のルールに基づいて被写体Ｔの骨領域Ａの抽出を行うように制御する。これにより、被写体Ｔの骨領域Ａの抽出が適切に行えなくなることが既知である場合に、機械学習に基づいた被写体Ｔの骨領域Ａの抽出は行われないので、画像処理部３の負担を軽減することができる。

また、本実施形態では、上記のように、表示部５に表示される、機械学習に基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｍと、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｒとを切り替えるボタン５ｂが設けられている。これにより、機械学習に基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｍと、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｒとを切り替えて比較することができる。

また、本実施形態では、上記のように、ボタン５ｂは、表示部５に表示される表示画像上のボタン５ｂである。これにより、ユーザがボタン５ｂを操作するだけで、容易に、機械学習に基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｍと、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｒとを切り替えることができる。

また、本実施形態では、上記のように、被写体Ｔの骨領域Ａは、大腿骨の骨領域Ａを含む。これにより、大腿骨の骨密度測定において、機械学習に用いられた画像Ｉ（正解データ）とは乖離した未知の画像Ｉが入力された場合でも、抽出された骨領域Ａの修正に対するユーザの負担が大きくなるのを抑制することができる。

また、本実施形態では、上記のように、機械学習は、深層学習である。これにより、深層学習の骨領域Ａの抽出精度は比較的高いので、ほとんどの被写体Ｔにおいて適切に骨領域Ａを抽出することができる一方、深層学習でも適切に骨領域Ａの抽出ができない未知の画像Ｉに対して、バックアップとして、所定のルールに基づいて被写体Ｔの骨領域Ａが抽出された画像Ｉｒを表示することができる。

また、本実施形態では、上記のように、所定のルールは、画像Ｉにおける画素値に基づいて被写体の骨領域を抽出すること、および、隣り合う画素の画素値の勾配に基づいて被写体Ｔの骨領域Ａを抽出することのうちの少なくとも一方を含む。これにより、画素値に基づいて、容易に、被写体Ｔの骨領域Ａを抽出することができる。

［変形例］
なお、今回開示された実施形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。

たとえば、上記実施形態では、機械学習として深層学習が用いられる例を示したが、本発明はこれに限られない。本発明では、深層学習以外の機械学習を用いることも可能である。

また、上記実施形態では、抽出された被写体の骨領域の面積と、抽出された被写体の骨領域の重心とのうちの少なくとも一方に基づいて、機械学習に基づいて抽出された被写体の骨領域が、適切か否かが判定される例を示したが、本発明はこれに限られない。本発明では、骨領域の面積および重心以外の基準に基づいて、機械学習に基づいて抽出された被写体の骨領域が適切か否かを判定してもよい。

また、上記実施形態では、機械学習に基づいて被写体の骨領域が抽出された画像と、所定のルールに基づいて被写体の骨領域が抽出された画像とが切り替え可能に構成されている例を示したが、本発明はこれに限られない。たとえば、機械学習に基づいて被写体の骨領域が抽出された画像と、所定のルールに基づいて被写体の骨領域が抽出された画像とを、並列した状態で表示部に表示してもよい。

また、上記実施形態では、表示画像上のボタンによって、機械学習に基づいて被写体の骨領域が抽出された画像と、所定のルールに基づいて被写体の骨領域が抽出された画像とを切り替える例を示したが、本発明はこれに限られない。たとえば、表示画像上のボタン以外の方法（物理的なスイッチなど）によって画像を切り替えてもよい。

また、上記実施形態では、被写体の大腿骨の骨領域を抽出する例を示したが、本発明はこれに限られない。たとえば、被写体の大腿骨以外（腰椎など）の骨領域を抽出してもよい。

また、上記実施形態では、制御部が機械学習に基づいて抽出された被写体の骨領域が適切でないと判定した場合に、所定のルールに基づいて被写体の骨領域が抽出された画像が表示される例を示したが、本発明はこれに限られない。たとえば、制御部が機械学習に基づいて抽出された被写体の骨領域が適切であると判定し表示した場合でも、ユーザが、機械学習に基づいて抽出された被写体の骨領域が適切でないと判定した場合、所定のルールに基づいて被写体の骨領域を抽出するとともに抽出した被写体の骨領域を表示してもよい。

１Ｘ線照射部
２Ｘ線検出部
３画像処理部
４制御部
５表示部
５ｂボタン（切替操作部）
１００Ｘ線撮像装置
Ａ骨領域
Ｇ重心
Ｉ画像（取得画像）
Ｐ画像（抽出不適切画像）
Ｓ面積
Ｔ被写体

上記目的を達成するために、この発明の一の局面におけるＸ線撮像装置は、被写体にＸ線を照射するＸ線照射部と、Ｘ線照射部から被写体に照射されたＸ線を検出するＸ線検出部と、Ｘ線検出部により検出されたＸ線に基づいて取得された取得画像において、機械学習に基づいて、被写体の骨領域を抽出するとともに、所定の場合に、取得画像において、所定のルールに基づいて、被写体の骨領域を抽出する画像処理部と、画像処理部に処理された画像を表示する表示部と、機械学習に用いられ画像との乖離に基づいて、機械学習に基づいて抽出された被写体の骨領域が適切か否かを判定する制御部とを備え、制御部は、機械学習に基づいて抽出された被写体の骨領域が適切であると判定した場合、機械学習に基づいて被写体の骨領域が抽出された画像を表示部に表示させ、機械学習に基づいて抽出された被写体の骨領域が適切でないと判定した場合、所定のルールに基づいて被写体の骨領域が抽出された画像を表示させる制御を行うように構成されている。

Claims

被写体にＸ線を照射するＸ線照射部と、
前記Ｘ線照射部から前記被写体に照射されたＸ線を検出するＸ線検出部と、
前記Ｘ線検出部により検出されたＸ線に基づいて取得された取得画像において、機械学習に基づいて、前記被写体の骨領域を抽出するとともに、所定の場合に、前記取得画像において、所定のルールに基づいて、前記被写体の骨領域を抽出する画像処理部と、
前記画像処理部に処理された画像を表示する表示部と、
前記機械学習に基づいて抽出された前記被写体の骨領域が適切か否かを判定する制御部とを備え、
前記制御部は、前記機械学習に基づいて抽出された前記被写体の骨領域が適切であると判定した場合、前記機械学習に基づいて前記被写体の骨領域が抽出された画像を前記表示部に表示させ、前記機械学習に基づいて抽出された前記被写体の骨領域が適切でないと判定した場合、前記所定のルールに基づいて前記被写体の骨領域が抽出された画像を表示させる制御を行うように構成されている、Ｘ線撮像装置。
前記制御部は、前記取得画像において、抽出された前記被写体の骨領域の面積と、抽出された前記被写体の骨領域の重心とのうちの少なくとも一方に基づいて、前記機械学習に基づいて抽出された前記被写体の骨領域が適切か否かを判定するように構成されている、請求項１に記載のＸ線撮像装置。
前記制御部は、前記取得画像に、前記機械学習に基づいた前記被写体の骨領域の抽出が適切に行えなくなる所定の抽出不適切画像が含まれている場合、前記機械学習に基づいた前記被写体の骨領域の抽出は行わずに、前記所定のルールに基づいて前記被写体の骨領域の抽出を行うように制御するように構成されている、請求項１または２に記載のＸ線撮像装置。
前記表示部に表示される、前記機械学習に基づいて前記被写体の骨領域が抽出された画像と、前記所定のルールに基づいて前記被写体の骨領域が抽出された画像とを切り替える切替操作部をさらに備える、請求項１または２に記載のＸ線撮像装置。
前記切替操作部は、前記表示部に表示される表示画像上のボタンを含む、請求項４に記載のＸ線撮像装置。
前記被写体の骨領域は、大腿骨の骨領域を含む、請求項１または２に記載のＸ線撮像装置。
前記機械学習は、深層学習を含む、請求項１または２に記載のＸ線撮像装置。
前記所定のルールは、前記取得画像における画素値に基づいて前記被写体の骨領域を抽出すること、および、隣り合う画素の画素値の勾配に基づいて前記被写体の骨領域を抽出することのうちの少なくとも一方を含む、請求項１または２に記載のＸ線撮像装置。